Vorstellung eines neuen modellspezifischen Fehlermaßes zur Bewertung von Windleistungsprognosemodellen

Transkript

1 Vorstellung eines neuen modellspezifischen Fehlermaßes zur Bewertung von Windleistungsprognosemodellen 4. Fachtagung Energiemeteorologie April 2016 in Bremerhaven Jan Dobschinski, Malte Siefert, Yves-Marie Saint-Drenan

2 Grundlegende Datenbasis

3 Grundlegende Datenbasis 17 verschiedene Windprognosen unterschiedlicher Wettermodelle mit Prognosehorizonten 6-30 h

4 Grundlegende Datenbasis 17 verschiedene Windprognosen unterschiedlicher Wettermodelle mit Prognosehorizonten 6-30 h Identische Verfahren zur Transformation in Windleistung

5 Grundlegende Datenbasis 17 verschiedene Windprognosen unterschiedlicher Wettermodelle mit Prognosehorizonten 6-30 h Identische Verfahren Zur Transformation in Windleistung 17 verschiedene Prognosemodelle

6 Grundlegende Datenbasis 17 verschiedene Windprognosen unterschiedlicher Wettermodelle mit Prognosehorizonten 6-30 h Identische Verfahren Zur Transformation in Windleistung 17 verschiedene Prognosemodelle 17 x 250 Windpark- und Portfolioprognosen* [*Portfolio besteht aus 2 bis 50 Windparks zufällig verteilt über Deutschland]

7 Prognoseauswertung standardmäßig in Form des RMSE Angabe der Prognosegüte meist in Form des N (Messung t i Prognose t i ) 2 i=1 RMSE = N in % der installierten Nennleistung

8 RMSE Häufigkeitsverteilung für Prognosemodell A Absolute Häufigkeit RMSE Werte basierend auf Prognosemodell A RMSE Werte in % der Nennl. der Windpark- und Portfolioprognosen Portfolioprognosen Windparkprognosen Bimodale Verteilung und großer Wertebereich durch Abhängigkeit des RMSE vom Aggregationslevel und Standorteigenschaften

9 RMSE Häufigkeitsverteilung für Prognosemodell A und B Absolute Häufigkeit RMSE Werte basierend auf Prognosemodell A RMSE Werte basierend auf Prognosemodell B RMSE Werte in % der Nennl. der Windpark- und Portfolioprognosen Portfolioprognosen Windparkprognosen Problem: Überlappung der RMSE-Verteilungen erlaubt keinen fairen Vergleich der Güte der beiden Prognosemodelle A und B auf Basis einer kleinen Stichprobe von Windpark-/Portfolioprognosen.

10 Zielsetzung für diese Studie 1. Herleitung eines neuen modellspezifischen Fehlermaßes, welches unabhängig von den natürlichen Eigenschaften des zu prognostizierenden Windparks oder Portfolios ist, wie Räumliche Aggregation von Windturbinen und Windparks Terrain und Orographie Unterschiedliche Glättungen von Windparkkennlinien Windpotential und -charakteristik 2. Test des neuen modellspezifischen Fehlermaßes durch Stichprobenexperiment

11 Grundgedanke 1. Herleitung eines neuen modellspezifischen Fehlermaßes, welches unabhängig von den natürlichen Eigenschaften des zu prognostizierenden Windparks oder Portfolios ist, wie Räumliche Aggregation von Windturbinen und Windparks Terrain und Orographie Unterschiedliche Glättungen von Windparkkennlinien Windpotential und -charakteristik Natürliche Eigenschaften können durch die Variabilität der Einspeisung zusammengefasst und quantifiziert werden [1]. Definition Variabilitaet V : V = P t P(t 1h) t Auswertezeitraum = Mittlere absolute Höhe der zeitlichen Änderungen der gemessenen Windstromeinspeisung im Auswertezeitraum. [1] J.Dobschinski: "How good is my forecast? Comparability of wind power forecast errros", Proceedings of the 13th International Workshop on Large-Scale Integration of Wind Power into Power Systems as well as on Transmission Networks for Offshore Wind Power Plants, November 2014, Berlin, 2014

12 RMSE vs. Variabilität der Einspeisung für ein Prognosemodell A RMSE ~ m V + b Variabilitaet V = P t P(t 1h) t in % Nennl.

13 RMSE vs. Variabilität für alle N=17 Prognosemodelle Linear Fits mit R>0.94 Prognosemodelle mit höherer Prognosegüte RMSE~ m(n) V + b(n) Variabilitaet V = P t P(t 1h) t in % Nennl.

14 RMSE vs. Variabilität für alle N=17 Prognosemodelle Linear Fits mit R>0.94 Prognosemodelle mit höherer Prognosegüte Funktionaler Zusammenhang durch Einführung Residuum RMSE W N = m N V W W + b N + ε N Variabilitaet V = P t P(t 1h) t in % Nennl.

15 Funktionaler Zusammenhang RMSE W N = m N V W + b N + ε N W

16 Funktionaler Zusammenhang Steigung m und Interzept b sind beide durch Prognosemodell N bedingt. RMSE W N = m N V W + b N + ε N W

17 Funktionaler Zusammenhang Steigung m und Interzept b sind beide durch Prognosemodell N bedingt. RMSE W N = m N V W + b N + ε N W Annahme: m N = const. = M N b N β(n)

18 Funktionaler Zusammenhang Steigung m und Interzept b sind beide durch Prognosemodell N bedingt. RMSE W N = m N V W + b N + ε N W Annahme: m N = const. = M N b N β(n) RMSE W N = Μ V W + β N + ε N W Natürlicher Fehleranteil Modellspezifischer Fehleranteil Nicht erklärter Fehleranteil

19 Standardisierung auf modellspezifische Prognosegüte RMSE W N in % Nennl. der Windpark und Portfolioprognosen RMSE W N = Μ V W + β N + ε N W Natürlicher Fehleranteil Modellspezifischer Fehleranteil Nicht erklärter Fehleranteil

20 Standardisierung auf modellspezifische Prognosegüte RMSE W N in % Nennl. der Windpark und Portfolioprognosen RMSE W N = Μ V W + β N + ε N W Reduktion um natürlichen Fehleranteil M V W Modellspezifischer Fehleranteil Nicht erklärter Fehleranteil

21 Standardisierung auf modellspezifische Prognosegüte RMSE W N in % Nennl. der Windpark und Portfolioprognosen RMSE W N = Μ V W + β N + ε N W Reduktion um natürlichen Fehleranteil Μ 6 30h V W Modellspezifische Prognosegüte RMSE W N Μ V W in % Nennl. RMSE W N Μ V W = β N + ε N W

22 Standardisierung auf modellspezifische Prognosegüte RMSE Werte basierend auf Prognosemodell A RMSE Werte basierend auf Prognosemodell B Modellspezifische Modellspezifische Prognosegüte Verteilung β 6 30h N + εder W N,6 30h Prognosegüte in % Nennl. RMSE W N Μ V W = β N + ε N W Modellspezifischer Fehler β N β N + ε N W = RMSE W N M V W Mittelwert über alle Windparks und Portfolios W

23 Stichproben -Experiment: Referenzwerte A) Modellspezifischer mittlerer RMSE RMSE all N = RMSE W N Verteilungen für N = 17 Prognosemodelle Hier am Beispiel von 2 Modellen A und B B) Modellspezifischer Fehler β β all (N) = RMSE W N M V W mit M = 2.1 V W = P W t P W (t 1h)

24 RMSE all N in % Nennl. Stichproben -Experiment: Referenzwerte Referenzwerte = Prognosemodellspezifische Mittelwerte RMSE all N und β all (N) über alle Windparks und Portfolios Ranking der Prognosegüte der N = 17 NWP-basierten Prognosemodellen Gleicher Informationsgehalt, wenn Auswertung über alle 250 Windparks und Portfolios Aufgabe: Abschätzung der Referenzwerte durch eine kleinere und zufällig ausgewählte Stichprobe je Prognosemodell β all N in % Nennl.

25 RMSE all N β all (N) Stichproben -Experiment: Ergebnis 1 Berechnung von RMSE N und β(n) durch zufällige Ziehung von 5 Windparks und/oder Portfolios je Prognosemodell. R 2 1: Referenzwerte können nicht ausreichend abgeschätzt werden durch Stichprobe Vorteile bei β ersichtlich

26 RMSE all N β all (N) Stichproben -Experiment: Ergebnis 2 Berechnung von RMSE N und β(n) durch zufällige Ziehung von 50 Windparks und/oder Portfolios. Referenzwerte können relativ gut abgeschätzt werden durch die Stichprobe Deutliche Vorteile bei β ersichtlich (R 2 =0.97)

27 Stichproben -Experiment: Ergebnis maliges Neuziehen je Anzahl zufällig ausgewählter Windparks und Portfolios Berechnung des Mittelwert, P1 und P99 aus 1000 Schätzwerten Deutlich schnelle Konvergenz und geringere Unsicherheit durch Abschätzung des Referenzwertes via β(n)

28 Zusammenfassung RMSE ist ungeeignet, um eine faire Aussage über die Qualität eines Prognosemodells zu treffen. Ausnutzung von RMSE ~ Variabilität der Einspeisung zur Einführung des Modell-spezifischen Prognosefehlers β Test von β innerhalb eines Stichprobenexperiments Deutlich schnelle Konvergenz und geringere Unsicherheit durch Abschätzung des Referenzwertes via β

29 Ausblick: Anwendung auf Solarstromvorhersage

30 Dobschinski, Siefert, Saint-Drenan: Vorstellung eines neuen modellspezifischen Fehlermaßes zur Bewertung von Windleistungsprognosemodellen, 4. Fachtagung Energiemeteorologie, April 2016 in Bremerhaven